一种高效可扩展的大数据和数据流隐私保护算法

Jul, 2019

一种高效可扩展的大数据和数据流隐私保护算法

An Efficient and Scalable Privacy Preserving Algorithm for Big Data and Data Streams

M.A.P. Chamikara, P. Bertok, D. Liu, S. Camtepe, I. Khalil

TL;DR提出了一种新的数据扰动算法 SEAL，它基于 Chebyshev 插值和 Laplacian 噪声，在高效性和可扩展性方面提供了高隐私、高数据效用的平衡，在隐私参数选择方面提供了灵活性，并显示出优秀的执行速度、可扩展性、准确性和攻击抵抗力。

Abstract

A vast amount of valuable data is produced and is becoming available for analysis as a result of advancements in smart cyber-physical systems. The data comes from various sources, such as healthcare, smart homes, smart vehicles, and often includes private, potentially sensitive informa

data perturbation algorithm privacy-preserving mechanisms smart cyber-physical systems high privacy and utility seal

发现论文，激发创造

PrivStream: 流式差分隐私数据的算法

我们提出了一种用于在线流式数据生成的差分隐私合成算法，重点针对空间数据集。此外，我们提供了一个针对多个查询的在线选择性计数的通用框架，为查询回答和合成数据生成等多个任务提供基础。我们验证了算法在现实世界和模拟数据集上的实用性。

Jan, 2024

基于格密码学的计算差分隐私

本研究探讨大数据分析所带来的安全和隐私问题，研究了私有时间序列数据在分布式和半诚信环境下的统计分析问题，并提出了一种基于对称 Skellam 分布的扰动机制，可用于保护分布式数据的差分隐私性，并构建了一个计算有效的量子后学协议，该协议的安全性基于一种新型决策学习问题。

Oct, 2017

高效数据扰动用于隐私保护和准确数据流挖掘

本论文提出了一种高效数据流扰动方法（命名为 $ P^2RoCAl $），其数据实用性比现有方法更好，并提供更高的数据重建攻击韧性。

Jun, 2018

集中和本地差分隐私条件下的数据流连续发布

本文研究了差分隐私下发布实数数据流的问题，并提出了一种基于指数机制和质量函数的私有阈值计算方法、在线分层方法和后处理技术。这个框架由三个组件组成：一个能私下计算阈值的阈值优化器，一个在数据流中添加标定噪声的扰动器以及一个通过后处理来改善结果的远光镜。我们的算法考虑了更严格的本地差分隐私限制并超越了现有技术。使用四个真实数据集，展示了本方法比现有技术提高了 6 到 10 个数量级的实用性。

May, 2020

演化数据的本地差分隐私

本文介绍了一种新的本地差分隐私技术，可以在时间上保持最新的统计数据，隐私保证仅随基础分布变化次数而衰减，而不是收集周期次数，其中提供了使用频率和重量估计的应用程序。

Feb, 2018

隐私感知的线性规划随机量化

该研究提出一种无偏差且具有差分隐私的量化机制，通过线性优化方法可以高效地找到最佳机制，实验证明该机制与基准方法相比可以获得更好的准确性和隐私权衡。

Jun, 2024

迭代式隐私放大

使用微分隐私技术对加性迭代算法的中间结果进行保护，避免泄露中间过程可以强化隐私保障并解决凸优化问题。

Aug, 2018

具有差分隐私的数据分析

本论文利用差分隐私算法对分布式和流数据进行分析，通过学习全局数据模型并保障差分隐私，提出了三种分布式学习贝叶斯网络模型的新方法，并针对流数据中的用户密度估计问题，提供了用户级别的隐私保护算法和改进策略。

Jul, 2023

从局部到中心差分隐私的扩大：通过匿名化实现

本文研究了本地差分隐私模型下敏感统计信息的收集，提出了一种算法，其隐私成本与用户值的更改数量的对数成正比。通过匿名化用户报告，基于用户报告的匿名性，我们还展示了当以中心式差分隐私模型来看待时，我们的 LDP 算法的隐私成本实际上会更低。通过新的隐私放大技术，我们证明了任何置换不变的算法，满足 ε 局部差分隐私的同时，也会满足（O（ε sqrt {log（1/δ）/n）}，δ）中心差分隐私。作为实际的推论，我们的研究结果表明，几个基于 LDP 的工业部署的隐私成本会比它们宣传的 ε 值所表示的要低得多，至少是在报告经过匿名化的情况下。

Nov, 2018

使旧事焕新：差分隐私聚类的统一算法

20 年前的算法经过轻微修改，适用于各种隐私模型，匹配几乎所有已知结果，改进了一些结果并扩展到新的隐私模型，即连续观测环境。

Jun, 2024